[发明专利]基于近红外建模的成品油添加剂检测分析方法及装置

权利要求书

1.一种基于近红外建模的成品油添加剂检测分析方法，其特征在于，包括：

S1，获取n个成品油添加剂样品；

S2，利用近红外设备获取每个所述成品油添加剂样品的近红外光谱；

S3，利用湿化学法对每个所述成品油添加剂样品的成分进行检测，得到与每个所述成品油添加剂样品的成分对应的湿化学值；

S4，利用预先构建的区域选择神经网络模型从每个所述成品油添加剂样品的所述近红外光谱中选择信息量的相关性最大的区域为近红外光谱区域；

S5，对每个所述成品油添加剂样品的所述近红外光谱区域进行一阶导数处理后，再进行多元线性回归处理得到近红外检测值；

S6，将每个所述成品油添加剂样品的所述近红外检测值与所述湿化学值利用偏最小二乘法运算处理进行关联，得到每个所述成品油添加剂样品的关联后的数据；

S7，计算每个所述成品油添加剂样品关联后的近红外检测值与对应湿化学值之间的均方根误差，将均方根误差大于误差阈值的成品油添加剂样品的关联后的数据删除；

S8，利用剩余的成品油添加剂样品的关联后的数据构建数据库，将所述数据库作为近红外分析初始模型；

S9，利用n个成品油添加剂样品对所述近红外分析初始模型进行交叉检验，得到近红外分析模型；

S10，将待检测的成品油添加剂利用红外设备获取对应的待分析近红外光谱，以及利用湿化法对待检测的成品油添加剂进行处理得到与待检测的成品油添加剂的成分对应的待分析湿化学值；

S11，将所述待检测的成品油添加剂的待分析近红外光谱和对应的待分析湿化学值输入至所述近红外分析模型中，利用近红外模型进行处理确定所述待检测的成品油添加剂的各项成分的含量数据。

2.根据权利要求1所述的方法，其特征在于，所述区域选择神经网络模型的构建过程包括：

SA1，构建具有一个输入层、多个隐藏层和一个输出层的深度神经网络，其中，隐藏层的数量与成品油添加剂的类别数量相对应；

SA2，获取预定数量的成品油添加剂，利用近红外设备获取各个成品油添加剂的近红外光谱，并对每个近红外光谱中相关性最大的光谱区域进行目标区域标记，将标记后的预定数量的成品油添加剂的近红外光谱作为训练样本；

SA3，根据所述成品油添加剂的类别，对所述训练样本进行分类；

SA4，从多个类别的训练样本中提取目标类的训练样本；

SA5，将所述目标类的训练样本输入至所述深度神经网络的输入层，利用所述输入层对所述目标类的训练样本进行预处理，并将预处理后的训练样本发送至与所述目标类对应的隐藏层进行处理；

SA6，与所述目标类对应的隐藏层将处理结果发送至所述输出层，所述输出层将处理结果整理成对应的光谱区域结果进行输出；

SA7，判断输出的光谱区域结果与对应的目标区域标记是否相同，是则，选择所述目标类的下一个训练样本进行训练，否则计算输出的光谱区域结果与对应的目标区域标记之间的损失函数，利用所述损失函数计算损失值，根据所述损失值对深度神经网络中的所述目标类对应的隐藏层的参数进行调整，直至输出的光谱区域结果与对应的目标区域标记相同；

SA8，不断重复步骤SA5至SA7直至所述目标类的训练样本全部训练完成得到训练后的神经网络；

SA9，从剩余类别的训练样本中提取新目标类的训练样本重复步骤SA5至SA8的过程对所述训练后的神经网络进行训练，直至所有类别的训练样本全部训练完成，将最后得到的神经网络作为区域选择神经网络模型。